Continual Learning: Dr. Tim Gülke über lernende KI

Continual Learning ist ein KI-Ansatz, bei dem Systeme im laufenden Betrieb weiterlernen. Das Düsseldorfer Startup Wakeline treibt diesen Ansatz radikal voran. Im Interview erklärt Gründer Dr. Tim Gülke , warum seine KI ganz ohne Deep Learning, Gewichte und Hyperscaler auskommt. Für Unternehmen ist das Thema hochrelevant.

Märkte, Maschinen und Lieferketten ändern sich schneller als jeder Trainingszyklus. Wir zeigen, wie das System funktioniert und wo es heute schon Geld verdient.

Warum eingefrorene KI-Modelle an Grenzen stoßen

Große Sprachmodelle sind laut Gülke eine Wette. Sie lernen aus riesigen Datenmengen allgemeine Strukturen. Danach werden sie eingefroren und in einen konkreten Anwendungsfall gebracht. Die Hoffnung: Das gelernte Wissen reicht, um das spezifische Problem zu lösen. Genau hier liegt der Haken.

Eine einzelne Maschine, eine lokale Wetterlage oder ein bestimmter Markt folgen oft eigenen Regeln. Dazu kommt eine sehr dynamische Welt. Gülke nennt die Lage in der Straße von Hormus und den Krieg in der Ukraine. Solche Ereignisse standen in keinem Trainingsdatensatz. Ein eingefrorenes Modell arbeitet mit dem Stand seines Trainings.

Ändert sich die Welt, trifft es schlechtere Entscheidungen. Mehr Daten und mehr Rechenleistung allein führen laut Gülke nicht zu besseren Entscheidungen. Diese Annahme hält er für die gefährlichste Fehleinschätzung der Branche.

So funktioniert Continual Learning bei Wakeline

Bei Wakeline gibt es keine Trennung zwischen Trainings- und Anwendungsphase. Das System ist stateful . Es läuft als kleine Instanz direkt in einer Umgebung mit und wird ständig aktualisiert. Es kann auf historischen Daten vorlernen, muss es aber nicht. Das System bekommt einen Datenstrom und beginnt zu beobachten.